{"id":{"repo_id":"brazil-ufpe","oai_identifier":"oai:repositorio.ufpe.br:123456789/44679"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-ufpe/oai:repositorio.ufpe.br:123456789/44679","repository":{"repo_id":"brazil-ufpe","name":"Brazil UFPE","base_url":"https://repositorio.ufpe.br/oai/request"},"display":{"title":"Classificação não supervisionada no contexto de tamanho e forma","abstract":"Esta dissertação tem como objetivo propor métodos não supervisionados de classificação para dados de tamanho e forma, considerando imagens bidimensionais (formas planas). Os novos métodos são baseados em testes de hipóteses, algoritmo K-médias e o algoritmo hill climbing. Também propomos as combinações dos algoritmos, com os métodos de ensemble: bagging e boosting. Para os dados simulados, gerados a partir da distribuição normal complexa, propomos três possíveis cenários para avaliar o desempenho dos métodos propostos. Neles, as combinações dos algoritmos foram superiores às suas versões base, sendo o algoritmo bagging hill climbing, o mais poderoso em dois cenários. Ainda pelos resultados numéricos, concluímos que quando os tamanhos dos centroides se diferenciam, o desempenho dos algoritmos me- lhora. Para os conjuntos de dados reais (vértebras torácicas T2 de camundongos,ressonância magnética de pessoas com esquizofrenia e crânio de grandes macacos), os métodos ensembles (bagging e boosting) novamente foram o destaque, sendo sempre superiores às versões base. Finalmente, considerando os dados sintéticos e reais, o bagging hill climbing é escolhido como o melhor método.","abstract_html":"Esta dissertação tem como objetivo propor métodos não supervisionados de classificação para dados de tamanho e forma, considerando imagens bidimensionais (formas planas). Os novos métodos são baseados em testes de hipóteses, algoritmo K-médias e o algoritmo hill climbing. Também propomos as combinações dos algoritmos, com os métodos de ensemble: bagging e boosting. Para os dados simulados, gerados a partir da distribuição normal complexa, propomos três possíveis cenários para avaliar o desempenho dos métodos propostos. Neles, as combinações dos algoritmos foram superiores às suas versões base, sendo o algoritmo bagging hill climbing, o mais poderoso em dois cenários. Ainda pelos resultados numéricos, concluímos que quando os tamanhos dos centroides se diferenciam, o desempenho dos algoritmos me- lhora. Para os conjuntos de dados reais (vértebras torácicas T2 de camundongos,ressonância magnética de pessoas com esquizofrenia e crânio de grandes macacos), os métodos ensembles (bagging e boosting) novamente foram o destaque, sendo sempre superiores às versões base. Finalmente, considerando os dados sintéticos e reais, o bagging hill climbing é escolhido como o melhor método.","abstract_has_math":false,"creators":["HONÓRIO, Jerfson Bruno do Nascimento"],"institution":"Universidade Federal de Pernambuco","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["AMARAL, Getúlio José Amorim do"],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022-02-17","date_published":"2022-02-17","updated_at":"2026-07-24T01:18:46Z","subjects":["Estatística aplicada","Bagging","Boosting","Hill climbing","k-médias"],"languages":["por"],"rights":["openAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.ufpe.br/handle/123456789/44679","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["AMARAL, Getúlio José Amorim do"]},{"key":"dc:creator","label":"Author","values":["HONÓRIO, Jerfson Bruno do Nascimento"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2022-06-08T19:10:55Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2022-06-08T19:10:55Z"]},{"key":"dc:date.issued","label":"Date","values":["2022-02-17"]},{"key":"dc:publisher","label":"Institution","values":["Universidade Federal de Pernambuco"]},{"key":"dc:type","label":"Dc Type","values":["masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Estatística aplicada","Bagging","Boosting","Hill climbing","k-médias"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["por"]},{"key":"dc:rights","label":"Dc Rights","values":["openAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.ufpe.br/handle/123456789/44679"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Esta dissertação tem como objetivo propor métodos não supervisionados de classificação para dados de tamanho e forma, considerando imagens bidimensionais (formas planas). Os novos métodos são baseados em testes de hipóteses, algoritmo K-médias e o algoritmo hill climbing. Também propomos as combinações dos algoritmos, com os métodos de ensemble: bagging e boosting. Para os dados simulados, gerados a partir da distribuição normal complexa, propomos três possíveis cenários para avaliar o desempenho dos métodos propostos. Neles, as combinações dos algoritmos foram superiores às suas versões base, sendo o algoritmo bagging hill climbing, o mais poderoso em dois cenários. Ainda pelos resultados numéricos, concluímos que quando os tamanhos dos centroides se diferenciam, o desempenho dos algoritmos me- lhora. Para os conjuntos de dados reais (vértebras torácicas T2 de camundongos,ressonância magnética de pessoas com esquizofrenia e crânio de grandes macacos), os métodos ensembles (bagging e boosting) novamente foram o destaque, sendo sempre superiores às versões base. Finalmente, considerando os dados sintéticos e reais, o bagging hill climbing é escolhido como o melhor método."]},{"key":"dc:title","label":"Title","values":["Classificação não supervisionada no contexto de tamanho e forma"]}]}],"canonical_facts":{"dc:contributor.advisor":["AMARAL, Getúlio José Amorim do"],"dc:creator":["HONÓRIO, Jerfson Bruno do Nascimento"],"dc:date.accessioned":["2022-06-08T19:10:55Z"],"dc:date.available":["2022-06-08T19:10:55Z"],"dc:date.issued":["2022-02-17"],"dc:description.abstract":["Esta dissertação tem como objetivo propor métodos não supervisionados de classificação para dados de tamanho e forma, considerando imagens bidimensionais (formas planas). Os novos métodos são baseados em testes de hipóteses, algoritmo K-médias e o algoritmo hill climbing. Também propomos as combinações dos algoritmos, com os métodos de ensemble: bagging e boosting. Para os dados simulados, gerados a partir da distribuição normal complexa, propomos três possíveis cenários para avaliar o desempenho dos métodos propostos. Neles, as combinações dos algoritmos foram superiores às suas versões base, sendo o algoritmo bagging hill climbing, o mais poderoso em dois cenários. Ainda pelos resultados numéricos, concluímos que quando os tamanhos dos centroides se diferenciam, o desempenho dos algoritmos me- lhora. Para os conjuntos de dados reais (vértebras torácicas T2 de camundongos,ressonância magnética de pessoas com esquizofrenia e crânio de grandes macacos), os métodos ensembles (bagging e boosting) novamente foram o destaque, sendo sempre superiores às versões base. Finalmente, considerando os dados sintéticos e reais, o bagging hill climbing é escolhido como o melhor método."],"dc:identifier.uri":["https://repositorio.ufpe.br/handle/123456789/44679"],"dc:language.iso":["por"],"dc:publisher":["Universidade Federal de Pernambuco"],"dc:rights":["openAccess","Attribution-NonCommercial-NoDerivs 3.0 Brazil"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/3.0/br/"],"dc:subject":["Estatística aplicada","Bagging","Boosting","Hill climbing","k-médias"],"dc:title":["Classificação não supervisionada no contexto de tamanho e forma"],"dc:type":["masterThesis"]},"updated_at":"2026-07-24T01:18:46Z"}